# كيف أُبلغ عن استهلاك الطاقة في بحثي عن الذكاء الاصطناعي؟

> ما الذي تضعونه في الورقة البحثية عن الحوسبة والطاقة: العتاد، وساعات GPU لكل الجولات، والطاقة، والموقع، والكربون، وكلفة الاستدلال، وحدود القياس.

Source: https://greenai.guide/ar/كيف/كيف-أُبلغ-عن-استهلاك-الطاقة-في-بحثي-عن-الذكاء-الاصطناعي/  
Updated: 2026-11-19

## باختصار

أبلغوا عن العتاد، وساعات وحدات معالجة الرسومات (GPU) لكل الجولات بما فيها جولات الضبط والجولات الفاشلة، والطاقة بالكيلوواط ساعة مع الأداة المستخدمة، والموقع وكثافة الكربون في الشبكة، والانبعاثات بالكيلوغرام من مكافئ ثاني أكسيد الكربون (kg CO₂e)، وطاقة الاستدلال عند حجم دفعة محدد. واذكروا ما تشمله حدود القياس ومدى عدم اليقين في الأرقام. والقياس أولًا بأول، بأداة مثل CodeCarbon، يجعل ذلك جدولًا جاهزًا لا عملية إعادة بناء.

## Steps

1. تتبّعوا الطاقة لكل جولة منذ بداية المشروع، لا للجولة النهائية فقط.
2. أبلغوا عن العتاد وساعات وحدات معالجة الرسومات والطاقة والموقع وكثافة الكربون في الشبكة والانبعاثات في جدول قياسي.
3. اذكروا طاقة الاستدلال لكل 1,000 طلب عند حجم دفعة وطول تسلسل محددين.
4. حدّدوا حدود القياس، بما في ذلك إن كانت النفقات الإضافية لمركز البيانات محسوبة.
5. أبلغوا عن النتائج مقارنة بالحوسبة، مثل الدقة لكل كيلوواط ساعة، إلى جانب أفضل نتيجة.

**أبلغوا عن الحوسبة والطاقة بوصفهما نتائج قياسية، لا حاشية.** فمن دونهما لا يمكن التحقق من ادعاءات الكفاءة، ولا
يستطيع القرّاء معرفة إن كان مكسب صغير في الدقة قد كلّف عشرة أضعاف الطاقة.

طُرحت هذه الحجة مبكرًا: قاس Strubell وGanesh وMcCallum الكلفة المالية والبيئية لتدريب عدة نماذج لغوية في 2019، ودعا
Schwartz وزملاؤه في "Green AI" إلى الإبلاغ عن الكفاءة إلى جانب الدقة.

## ماذا يتضمن الجدول؟ {#what-should-the-table-include}

| البند | مثال |
|---|---|
| العتاد | طراز وحدة معالجة الرسومات وعددها، والمعالج المركزي، والذاكرة |
| مدة التشغيل | ساعات وحدات معالجة الرسومات للجولات النهائية **و** لكل جولات الضبط والجولات الفاشلة |
| الطاقة | كيلوواط ساعة، مقيسة أو مقدّرة، مع الأداة وإصدارها |
| الموقع | البلد أو منطقة الشبكة، وكثافة الكربون المستخدمة |
| الانبعاثات | kg CO₂e |
| الاستدلال | الطاقة لكل 1,000 طلب عند حجم دفعة وطول تسلسل محددين |
| حدود القياس | إن كان التبريد والنفقات الإضافية لمركز البيانات (PUE) محسوبة |

إن أصدرتم النموذج، فانسخوا الأرقام إلى حقل `co2_eq_emissions` في بطاقة النموذج على Hugging Face.

## أخطاء شائعة {#common-mistakes}

- **الإبلاغ عن الجولة الفائزة فقط.** فالبحث الذي يقف وراءها يمثل عادةً معظم الطاقة.
- **غياب عدم اليقين.** فتقديرات نماذج القدرة قد تختلف عن القيم المقيسة بالعدّاد؛ قدّموا مدى.
- **إغفال النتائج السلبية.** فأسلوب الكفاءة الذي لم ينجح يجنّب الآخرين تكراره.

تقدّم مبادئ GREENER من Lannelongue وزملائه إطارًا أوسع للمجموعات البحثية والمؤسسات. راجعوا
[دليل الباحثين](/ar/أدلة/الذكاء-الاصطناعي-الأخضر-للباحثين/) و[كيف تقيسون طاقة الذكاء الاصطناعي](/ar/الممارسات-الجيدة/كيف-تقيسون-طاقة-الذكاء-الاصطناعي-وانبعاثاته-الكربونية/).

## المصادر

- [Energy and policy considerations for deep learning in NLP](https://arxiv.org/abs/1906.02243), Strubell, Ganesh and McCallum, ACL (2019)
- [Green AI](https://doi.org/10.1145/3381831), Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
- [Displaying carbon emissions for your model](https://huggingface.co/docs/hub/model-cards-co2), Hugging Face Hub documentation (2026)
